如何简洁编写基于exactSearch变量的两种匹配条件逻辑？

已知exactSearch为布尔变量：

• 取值True时，使用==执行精确匹配
• 取值False时，使用in执行模糊匹配

匹配成功则向DataFrame追加数据，失败则继续循环。现有代码可正常运行，但希望简化重复的条件判断逻辑：

if exactSearch:
    if payerName == payer: # 查找精确匹配
        result.loc[len(result)] = [provider,payer] + status.split(" ") # 找到则添加至结果
    else:
        continue
        
else:
    if payerName in payer: # 查找模糊匹配
        result.loc[len(result)] = [provider,payer] + status.split(" ") # 找到则添加至结果
    else:
        continue

可以通过抽离匹配条件、合并分支逻辑的方式简化代码，同时保留原逻辑的完整性：

方式一：抽离匹配判断，统一业务逻辑 #

先根据exactSearch的取值确定是否匹配，再执行后续操作，避免重复编写追加数据的代码：

# 先判断当前是否符合匹配规则
is_match = (payerName == payer) if exactSearch else (payerName in payer)

if is_match:
    result.loc[len(result)] = [provider,payer] + status.split(" ")
else:
    continue

这种写法把重复的分支逻辑合并，仅保留一次业务处理代码，结构更清晰，也降低了维护成本。

方式二：紧凑的单条件判断 #

直接在if语句中用三元表达式处理匹配规则，代码更简洁紧凑：

if (payerName == payer) if exactSearch else (payerName in payer):
    result.loc[len(result)] = [provider,payer] + status.split(" ")
else:
    continue

适合逻辑简单的场景，一眼就能明确匹配规则和对应的操作。

额外优化建议 #

result.loc[len(result)]这种逐行追加的方式在数据量较大时效率较低，建议先将符合条件的数据存入列表，最后一次性合并到DataFrame：

# 初始化临时列表存储结果数据
temp_results = []

# 循环内逻辑
is_match = (payerName == payer) if exactSearch else (payerName in payer)
if is_match:
    temp_results.append([provider,payer] + status.split(" "))

# 循环结束后批量合并
if temp_results:
    result = pd.concat([result, pd.DataFrame(temp_results, columns=result.columns)], ignore_index=True)

这种批量操作能避免频繁修改DataFrame带来的性能损耗。

内容的提问来源于stack exchange，提问作者Buracku